סינרגיה פסיכולוגית-פיזית של ספורטאים מבוססת בינה מלאכותית ולמידה עמוקה

מדוע איתותי הגוף יכולים לחשוף את מצבו הנפשי

ספורטאים ברמה גבוהה ובעלי תפקידים בלחץ מתמיד נעים על קו דק בין שיא ביצועים לעומס יתר. גופנו משדר בשקט רמזים על מידת הלחץ, הרוגע או ההנאה שלנו דרך דופק, הזעה, נשימה ותנועה. המחקר מסביר שיטה חדשה שמאפשרת למחשבים לקרוא רמזים אלה באופן מדויק יותר וחשוב לא פחות — לומר עד כמה הם בטוחים בקריאתן. השילוב של דיוק וישירות כזה יכול להפוך מכשירים לבישים עתידיים לשימושיים ואמינים הרבה יותר.

מהפכה של איחוד איתותים מפוזרים לתמונה אחת

רצועות חזה מודרניות וצמידים חכמים יכולים להקליט מספר איתותים פיזיולוגיים במקביל, כגון שונות קצב לב, מוליכות העור, דפוסי נשימה, טמפרטורה ותנועה. מודלים מסורתיים נוטים להתייחס לכל ערוץ כזרם נפרד ולחבר ביניהם בפשטות. המחברים טוענים שזה מפספס נקודה מרכזית: הגוף הוא מערכת משולבת. במצבי לחץ, למשל, קצב הלב, ההזעה והנשימה נוטים להשתנות יחד בדפוס אופייני. המחקר מציג את רעיון ה"גרף סינרגיה פיזיולוגית", שבו כל סוג איתות הוא נקודה ברשת והמודל לומד עד כמה הם משפיעים זה על זה ברגע נתון.

כיצד המסגרת החדשה קוראת את הגוף

המסגרת המוצעת, הנקראת GABT Net, משלבת שתי רעיונות חזקים מבינה מלאכותית. ראשית, רשת תשומת לב גרפית בוחנת את האיתותים השונים בכל חלון זמן קצר. היא מקשרת כל איתות לכל האחרים ולומדת אילו קשרים חשובים במצב נתון, ובכך מפיקה תמונת מצב קומפקטית של שיתוף הפעולה בין מערכות הגוף ברגע זה. שנית, תמונות מצב אלה מוזנות למודל סדרות זמן מבוסס Transformer שעוקב אחר האופן שבו דפוס שיתופי זה מתפתח לאורך זמן. השלב הזמני מאפשר למערכת להבחין במגמות לטווח ארוך, כגון הצטברות הדרגתית של לחץ או חזרה לרגיעה בסיסית.

לתת למודל להודות כשהוא לא בטוח

רוב כלי הלמידת מכונה מפיקים ניחוש יחיד מבלי לציין עד כמה הניחוש מהימן. עבור החלטות בעולם האמיתי בספורט ובבריאות, זה עלול להיות מסוכן. GABT Net מתמודד עם זאת באמצעות Transformer בנזיאני עם Monte Carlo dropout, טכניקה שרצה בפועל מספר גרסאות מעט שונות של המודל על אותם נתונים. על ידי ממוצע הפלטים שלהן, המערכת מפיקה גם ניבוי וגם מדד לאי-הוודאות שלה. החוקריים מראים שכאשר המודל מדווח על ביטחון גבוה, הדיוק בזיהוי מצבי לחץ ורגש גבוה מאוד, וכאשר ה"אנטרופיה" הפנימית שלו גדולה, שגיאות צפויות יותר. זה מאפשר לסמן מקרים שבהם מאמן, רופא או משתמש צריכים להיות זהירים.

כמה טוב המערכת מתפקדת במבחנים

הצוות העריך את GABT Net על מאגר נתונים נפוץ שבו מתנדבים לבשו מכשירי חזה בעת מעבר בין תקופות בסיס רגועות, משימות מלחיצות ופעילויות משעשעות. באמצעות חלון נגלל על האיתותים וגישת בדיקת חציית נבדקים קשוחה, המודל הגיע לכ־96 אחוזי דיוק כלליים וציון F1 מאקרו מעל 0.94, כשהוא מתעלה על מספר בסיסים חזקים, כולל רשתות BiLSTM ו־Transformers סטנדרטיים. הוא גם עקף שיטות מתקדמות שהתמזגו בין רשתות קונבולוציה וחזרתיות. למרות הביצועים החזקים, המודל נשאר יחסית קומפקטי ויעיל, עם פחות פרמטרים וזמני חיזוי מהירים יותר מגישות מתחרות — עובדה חשובה להפעלה על מכשירים לבישים או קצה.

מה המשמעות לספורטאים ומשתמשים יומיומיים

במלים פשוטות, המחקר מראה שמערכת בינה מלאכותית יכולה לא רק לקרוא דפוסים עדינים לאורך מספר איתותי גוף כדי לזהות מצבי לחץ ורגש, אלא גם לשפוט עד כמה תשובותיה אמינות. עבור ספורטאים, זה יכול להתרגם לכלי אימון שמזהיר מפני עלייה במתח הנפשי לפני ירידה בביצוע או עלייה בסיכון לפציעה, ויודע מתי "לבקש עזרה" במקום לספק משוב מטעה. ליישומי בריאות ומקום עבודה רחבים יותר, עקרונות זהים יכולים לתמוך במעקב תמידי ובטוח יותר של לחץ ומצב רוח. אף שעדיין נדרשים מבחנים בתחום הספורט רעשתי והתאמה אישית למשתמשים, המחקר מציע מתווה מבטיח לטכנולוגיות מעקב גוף-נפש חכמות ושקופות יותר.

ציטוט: Cheng, Y., Gong, T. & Zhao, H. Psychological-physical synergy of athletes based on artificial intelligence and deep learning. Sci Rep 16, 14994 (2026). https://doi.org/10.1038/s41598-026-45920-4

מילות מפתח: ניטור לחץ, חיישנים לבישים, ביולוגיה של ספורטאים, זיהוי רגשות, למידה עמוקה